《红外技术》杂志 是核心期刊。了解更多核心期刊——君子期刊论文网刊名： 红外技术 Infrared Technology主办： 昆明物理研究所;中国兵工学会夜视技术专业委员会周期： 月刊出版地：云南省昆明市语种： 中文;开本： 大16开ISSN： 1001-8891CN： 53-1053/TN邮发代号：64-26复合影响因子：0.763综合影响因子：0.513历史沿革：现用刊名：红外技术创刊时间：1979该刊被以下数据库收录：JST 日本科学技术振兴机构数据库(日)(2013)CSCD 中国科学引文数据库来源期刊（2013-2014年度）（含扩展版）核心期刊：中文核心期刊(2011)中文核心期刊(2008)中文核心期刊(2004)中文核心期刊(2000)中文核心期刊(1996)
??
无论资本此前多么狂热，迟迟无法工程化，也足以让他们冷静下来。
文/《汽车人》黄耀鹏
对于自动驾驶（AP）初创技术而言，2020年是一个惨淡的、难以兑现承诺的年度。尽管越来越多量产车搭载高级驾驶辅助系统（ADAS），但最大胆的主机商，也只敢承诺到L2.5级的水平。
?
至于L3、L4等级的自动驾驶，虽然也有若干家公司声称进行了大量的路试和模拟训练，但并未缩短量产落地的预期时间。就连公认处于自动驾驶技术前沿的Waymo，其技术落地也未有任何明确时间表。
资本对自动驾驶的热情，早已在两年前就已跌落。如今还在进行中的项目，基本都是存量了。被主机厂收购的初创公司（譬如Cruise），难免再次庆幸当初的选择。
技术瓶颈：虽咫尺而千里
自从优步自动驾驶的路试发生致命事故后，该项目实际上已经搁浅，并非由于事故本身，而是这条技术路线（深度学习），看上去正在走进死胡同。
学术界越来越认同，当前自动驾驶的难点在于感知和决策规划。纯视觉方案虽然还在量产车上应用，但是正在被前沿抛弃。
而决策依赖算力。算力越来越便宜，可以在车机上运行更复杂的神经网络。但是，后者不仅训练成本高，研究人员还绝望地发现，当前系统无法适应现实道路的复杂。真实世界的复杂变化，很难用数学模型拟合出来。
而且，AI在模拟人类决策方面，也做得一塌糊涂。如果风卷起一堆枯叶在空中飘落，人类会照常行驶，而雷达和摄像头都认为是障碍物，需要停车或者避让。
训练系统认识落叶的形态，显然是愚蠢的。就算是一片水洼、路边的松鼠，都会给机器决策带来无穷无尽的麻烦，人类几乎不会受到影响。
现在处于试验阶段的L3、L4级自动驾驶，无一例外都装有多个激光雷达、毫米波雷达，很难在试验道路上遇到撞车这种事，但经常对简单路况（在人类看来）表现得傻里傻气，不是过于谨慎，就是一惊一乍。人们不认为，现阶段的AI拥有真正意义上的思考和判断能力。
技术团队越来越深刻地认识到，不存在工程手段，能给所有范式提供彻底解决方案。
显然，风投资本对此已经丧失了耐心。
商业化：水中望月
不需要深厚的知识储备，只要稍微涉及一点自动驾驶的技术就能明白，现阶段让人放开手脚的自动驾驶（L4、L5）的大规模应用，是不可能的。无论自动驾驶在测试道路上表现得多么完美和顺滑，至少3-5年内不会有人尝试将其商业化。
能够商业化的技术，必然能利用现有技术和工业基础，工程化样品没有明显瑕疵，再通过大规模工业生产压低成本，广泛应用，创造利润。
而这么做的前提是，技术已经走完了所有的研发阶段。
首先就是理论突破。科学家在很久之前就在理论上预见，并证明了可行性。现在芯片技术的理论基础是量子力学，后者在100年前就已被发现，并形成完整理论体系。
然后是技术突破。技术团队突破了技术实现的壁垒，做出了接近理论预期的样品。很明显，高等级自动驾驶正处于Demo阶段，问题在于，与预期相差太远。我们因此怀疑，从一开始是否就走错了路。
最后则为工程化阶段。逐一解决产品设计、方案优化、性能稳定、良品率的问题。
2019年诺贝尔化学奖授予发明锂离子电池的三位科学家。尽管伏打电池已经诞生超过200年，但是直到1979年，科学家才在实验室中实现锂离子电池的实用化方案。而我们如今使用的EV，则来源于1979年实用方案的工程化落地。
历史不会简单重复，但可以昭示一点让人冷静的规律。工程化的科技产品，从试验室走向工厂，大概要经历20年或者更久。位于第二阶段早期的自动驾驶技术，无论资本此前多么狂热，迟迟无法工程化，也足以让他们冷静下来。
现阶段，无人驾驶工程师们都紧盯着知名期刊上发表的所谓最新进展，希望获得工程化的灵感，反而说明了这一行业还远未到成熟的阶段。
资本的不理智之处在于，在第二阶段还未走完的情况下，强推进入第三阶段。打脸是一定的，投入越多，打得越狠。
但是，在特定场景下，譬如矿山、港口、仓库、工业园区等，以低速实现L4、L5级自动驾驶，现在已经没有障碍。这和泛化的L4技术完全是两回事。
现在这一趋势已经很明显了，新投资很少进来。有些初创公司在发布会上发布的自动驾驶视频，是以电影手法，一段一段剪辑出来的，甚至在现场偷着用笔记本电脑遥控车辆，希望忽悠投资人，让后者相信技术前景是光明的。投资人如今还的概率，已经相当低了。如今若还这么做，等同于宣布自我了断。
未来出路：灰烬中的火星
既然追求中短期回报的资本不再进来，长期资本还在继续熬。譬如谷歌分拆的Waymo和通用的Cruise。不过，至少从公开资料上看，他们依然处于瓶颈期，尚无突破迹象。
而云端解决方案，因为5G的发展，正在赶上来。和单车智慧相比，依赖5G和云端指挥的车路协同，是一条不错的路。
云端指挥的基础是大数据。先收集驾驶经验数据，相当于拥有优秀驾驶经验池，而且针对每一条道路，都有最佳解决方案。
同时，道路和交通设施布满了传感器，走万物互联路线。两者共同告诉车机该如何行驶，后者不必理解为什么要这么做，只须根据场景引用。
而云端不是为了取代车端智能，而是降低后者的算力压力，简化设计，更快进入工程化。
云端将处于一个小区域范围的车辆组成了临时“局域网”。每一辆车都通过其它车辆获取观测数据，感知周围环境，以解决盲区和漏检。
信息互通的情况下，超车、通过十字路口都提前给周围车辆发送请求，云端通过统一策略协调，其它车辆无须盲猜对方意图，提升效率和安全性。毕竟数据链传送，远远快于车辆机械运动和制动。云端协调方式，比设计单车复杂行为逻辑、训练AI模型要简单得多。
但是，这不但需要5G、物联网（IoT）的高度发展，还意味着要翻新整个城市交通基础设施，需要投入天量资金，旷日持久。
如前所述，在AI训练上屡受挫折的技术团队，开始怀疑整个理论基础。AI训练的基础是人工神经网络，后者则受到神经系统结构的启发。但是冯·诺依曼体系（计算机基础架构）模拟生物能力，在推理、联想和潜意识判断等高级领域，完全无能为力。这是人类驾驶员的核心能力。
而人类对自身认知的规律理解层次非常浅，我们搞不懂大脑如何运作、记忆如何存储、信息如何搜索、灵感如何产生，所有神经深层次机制，全都知之甚少。这意味着AI用算法对人类的模拟，一定是拙劣的、浮于表面的。
自动驾驶作为应用学科，不可能跑到生命科学基础理论的前面，在后者还停留在小学水平上的时候，就取得重大突破，完全是痴人说梦。
从这一角度，自动驾驶已经凉了，只是资本意识到这一点的时间不长而已。当然，这项技术仍会发展，将在有限场景下获得有限的高等级应用。大批资本将在2-3年内退出，产业界将会转而寻求走5G支持下的云端+低算力车机道路。（文/《汽车人》黄耀鹏，部分图片来源网络）【版权声明】本文系《汽车人》独家原创稿件，版权为《汽车人》所有。
本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。
《自动驾驶仪与红外技术》是上海航天局第八O三研究所主办的内部资料，尚未在国家新闻出版广电总局备案，更不可能是核心期刊。
尽量早作准备，最好提前一年。因为很多SCI期刊对稿件质量的要求比较严格，而且责任编辑和审稿同行也不好对付。常笑医学有查询SCI期刊信息的功能，可以先去查询期刊的审稿周期和录用率，做投稿前的参考
sci发表方法如下：
第一步：选择sci期刊
Sci期刊的选择是很有讲究的，选刊时要注意期刊的刊登范围(找与自己论文对口的刊物)、期刊影响因子(sci每年都会有更新，避免使用论文时掉出sci导致不能认可，最好不好选影响因子比较低的刊物)、期刊分区(看自己需要在哪个分区上发表)，如果时间不是很充裕还要了解期刊的大概审稿周期，避免在审稿周期比较长的期刊上发表论文。
第二步：了解期刊要求并调整论文
每本期刊都有自己的特点，这也意味着不同的期刊对论文的要求有差异。因此发表论文前要了解所选期刊对论文的体例格式要求是怎样的，并按照要求严格修改自己的论文。期刊也会对论文重复率有要求，重复率高也是不能通过的审核的，因此也要了解期刊对论文重复率要求。
第三步：确定投递稿件方式并上传
大部分sci期刊采用的是在线投稿系统，可以在期刊的官网找到入口。不同的期刊采用的系统不同，作者一定要注意这一点。还有的是email，不过采用这种方式的比较少，还有一小部分采用纸质投。具体采用哪种方式要看所选期刊是怎么要求的。
第四步：推荐审稿人
有的sci期刊会让作者推荐审稿人，作者可以通过引用的参考文献中、学术交流会议中、以及导师介绍等方式找到同行业的专家来作为推荐的审稿人。
第五步：回复审稿人
投递稿件之后杂志社编辑会安排论文审稿，三审中任意一个环节发现问题都会需要退修或者拒稿，直到符合规定的要求才能通过，进行下一步，当稿件通过了终审才会安排录用。否则就会一直循环修改、审稿。
星科SCIER觉得：发表SCI（Science Citation Index）论文需要遵循以下步骤：1.选择期刊：首先要选择合适的期刊。你需要查找与你的研究领域相关的SCI期刊，并考虑期刊的影响因子和排名。你可以使用科学引文索引（Science Citation Index）或其他学术数据库来查找期刊。2.撰写论文：撰写一篇高质量的SCI论文需要遵循科学写作规范。你需要进行实验或调查研究，并记录实验结果或数据。在撰写论文时，你需要对研究进行清晰、详细的描述，并说明你的研究对该领域的贡献。3.提交论文：提交论文之前，你需要仔细阅读期刊的投稿要求，并遵循期刊的格式要求。你需要准备好论文、摘要、作者简介和其他必要的材料，并将它们提交给期刊编辑。一般来说，期刊编辑会在几个星期内回复你是否接受论文。4.审稿过程：如果你的论文被接受，期刊编辑会将它送给专家进行审稿。审稿专家会仔细评估你的研究方法、结果和结论，并提出意见和建议。你需要根据审稿专家的反馈对论文进行修改，并回复审稿意见。5.发表论文：一旦你的论文被接受并满足期刊要求，它将被发表在期刊上。你的论文将被分配一个DOI（数字对象标识符），它可以让其他学者轻松地引用你的研究。需要注意的是，发表SCI论文需要具备一定的研究能力和科学素养，也需要对自己的研究有足够的自信和信心。在提交论文之前，你需要花费大量的时间和精力进行研究和写作，同时也需要不断地修正和改进论文。
身边发过文章的同学一般是提前一到两年的时间开始准备，据说SCI审稿周期挺长的！被同学安利了常笑医学网，网站上有SCI期刊的审稿周期、录用率和出版周期等关键信息，希望对你有帮助！
终于拿到长城体系外订单
“我们还在等他们（毫末）的车交付之后，才能做技术上的对标。” 同为量产高阶智驾方案的某车企工程师这样评价毫末。
这一对标将在今年初见分销。
4月11日，在第八届AI DAY上，毫末发布了一个堪比BEV的新技术：自动驾驶生成式大模型DriveGPT——雪湖·海若。
2021年特斯拉用一个BEV架构模型搞定了自动驾驶的感知，而雪湖·海若Transformer则有望用一个模型解决自动驾驶的认知问题。
雪湖·海若将依次搭载在魏牌摩卡DHT-PHEV和蓝山上，首批落地在北京、保定、上海等城市，并于2024年开拓100个城市。
此外，毫末宣布与三家主机厂签订了定点合作协议，其中包括长城体系外的品牌。
新技术范式、百城大战，毫末的“野心”要如何实现？
01
一次解决所有问题
“（雪湖·海若）使我们在一个统一的生成式框架下，将规划、决策和推理等多个任务全部完成。”毫末智行CEO顾维灏在采访中表示：“（雪湖·海若）在更大数据的支持下，还是会让（自动驾驶系统的决策能力）有一个质的提升。这一新技术范式即使放眼全球也是非常独特和创新的。”
认知架构雪湖·海若和感知架构BEV一样，旨在通过一个大模型一次性解决问题。
在BEV之前，自动驾驶系统的感知是在各传感器端先进行感知，之后由多个小模型算法进行置信判断和融合之后，输出最终的感知结果。BEV则是一次性“吸收”所有传感器的原始数据，之后直接输出车辆周围360°的完整空间感知结果。
决策方面，目前业内主要包括预测、规划、控制几个环节：
基于感知结果，通过搜索等方法划定出可行使空间，再在其中根据自车和其它交通参与者可能的行动轨迹进行路线规划，最终决定出一条行驶路线，并将行驶路线分解为车辆动作命令传给执行器。
雪湖·海若则是基于感知结果，直接给出规划控制结果和理由：
一次性生成多个未来可能发生的全局场景，并且按照可能发生的概率排序；生成自车未来的轨迹信息；直接给出决策逻辑链。
例如在一个包含对向来车、左侧电动车、右侧过路行人的无保护左转的场景中：
传统方法是先对与自车最有可能交互的对向来车进行轨迹预测，基于预测结果判断自车应该的行驶轨迹。此轨迹如果涉及到电动车/行人等其它的交通参与者，则加入考虑后预测，再判断轨迹，如此往复。
但雪湖·海若是一次性看到路面的全局情况，基于预训练积累的“经验”，直接得出：对向来车已出线刹车概率低、电动车虽然未出线但惯于抢行、行人在路口通常谨慎行动变。如以安全为先，应当缓慢起步，让行电动车后，快速通过路口。
之所以出现这样不同的“思考”方式，在于传统方法和雪湖·海若在短期数据和长期知识上存在不同。
短期数据即当时当刻的路面情况。
由于目前决策大都使用参数有限的小模型，因此一次性能考虑的对象便相对有限。
雪湖·海若作为大模型，在云端参数高达1200亿个，由此在学习时能够做到全局思考。目前毫末未透露部署到车端时的参数规模。
长期知识则是交通规则和常识性的潜规则。
目前主流决策层算法仍以逻辑判断为主，对于“谁会如何”更多还是出自工程师经验。
雪湖·海若则是先在4000万量产车驾驶数据中进行学习，又用5万个经过筛选的人类接管数据做反馈训练，最终习得开车的知识和常识，能够更加类人的，根据当前交通情况推理出未来各类交通场景以及出现的概率。
对于神经网络作为黑盒，思考过程的不可解释化，毫末技术负责人艾锐向《赛博汽车》表示，通过添加限定规则，可以一定程度上解决这一问题。
在决策层引入GPT模型只是开始，未来毫末计划将雪湖·海若扩大为端到端的自动驾驶系统模型，即用一个大模型解决感知、认知的所有问题。
中国自动驾驶逻辑芯片企业地平线也持类似的观点。前不久，地平线作为第一作者发布了基于Transformer的自动驾驶端到端算法框架论文，首次将检测、跟踪、预测、箭头轨迹预测等多个模块用一个完整神经网络架构完整解决。
“让我们有可能像ChatGPT那样，用端到端的大规模的数据去训练整个的自动驾驶系统。”地平线创始人&CEO余凯在演讲中表示。
02
万事俱备，只待上车
一次解决所有问题，当然很棒，但却鲜少有玩家实践该技术。
在2022年的AI DAY和今年的投资者日上，特斯拉展示的预测算法仍是以蒙特卡洛树搜索为主。
小鹏汽车自动驾驶副总裁吴新宙则在4月明确表示，未来小鹏将在预测层面引入神经网络，但在规控层面，仍将以逻辑算法为主。“我对团队有一个明确的线，能用数学方法解决的问题，都先用数学的方法。”
事实上，即使想要应用，GPT也不是普通玩家玩得起的。
华为云人工智能领域首席科学家田奇在近日的演讲中表示，大模型开发和训练一次需要1200万美元。而且并不只是“钱”的事。
首先，雪湖·海若作为GPT（Generative Pre-trained Transformer）生成式预训练大模型，需要有大规模语料库来进行训练。
顾维灏在演讲中表示，雪湖·海若的一个关键设计是将场景Token（令牌，代表执行某些操作的权利对象）化表达：将驾驶空间进行离散化处理，每一个Token都表征场景的一小部分。如果输入一连串过去已经发生的场景Token序列，模型可生成未来所有可能的场景。目前毫末Token的词表空间是50万个左右。
大模型还需要超算中心来训练。
1月，毫末发布了670PFLOPS算力的超算中心——雪湖·绿洲。若按照一块19.5TFLOPS算力的英伟达A100计算，则绿洲或用了34.3万块英伟达A100。
绿洲还针对海若进行了针对性的升级改造。
一是建立全套训练保障框架，避免因个别服务器异常可能导致的训练中端；二是升级弹性调度资源的能力，使训练平台能够自适应每天回传数据不同的大小规模；三是吞吐效率的升级，通过算子融合端到端吞吐提升84%。
但就像ChatGPT和GPT4仍依赖于对话者不断调整问题问法，扩大数据库调用权限，才能表现得更加真实类人一样。
雪湖·海若要做到真正高速类人，在并行效率、算力需求、功耗等方面超过搜索等传统方法，甚至超过人类表现的前提，是源源不断的真实道路场景和人类反馈。
03
毫末的身份突围
2022年底，小鹏、华为、毫末三家抢跑城市领航功能落地。
从结果来看，小鹏、华为都已有了搭载城市领航功能的车队上路，毫末HPilot 3.0所搭载的新摩卡DHT-PHEV预计将于本月推出，而魏牌蓝山要到三季度才会推出激光雷达版。
与此同时，后来者也正逐步逼近，蔚来、理想等车企，和轻舟智航等智能驾驶供应商都已宣布了2024年落地高速、城市领航功能的计划。
之所以形成这样的局面，与毫末的身份不无关系。
毫末虽然出身长城，却无法像蔚小理的智驾团队一样，拥有自上而下的话语权，更多还是相对独立的供应商身份。
但背靠长城又使毫末的供应商身份不那么纯粹。对于出自ICT行业的华为，车企都尚且顾忌灵魂。出自同行的毫末作为供应商，自然也少不了被挑剔。
如何实现身份突围？
今年年初，毫末推出了包括全栈解决方案、云端服务、硬件、软件、模块、原型代码六个层面的6P开放合作模式。合作伙伴不仅可以获取毫末的功能产品，甚至可以获得原型代码这样的底层技术能力。
“您的灵魂您保留，我的灵魂您带走。” 毫末智行COO侯军表示：“（智能/自动驾驶）全栈自研是高成本、长周期的事情。毫末的6P开放模式帮助主机厂在不具备技术和时间的情况下参与竞争。
如果之后毫末的综合性价比能力赶不上合作伙伴进步的灵魂，我们被淘汰也是正常的。如果能赶上，我们愿意与合作伙伴长期携手同行。”
这样“白盒”开放的态度已经起到了效果，毫末已与三家主机厂签署定点合同，其中包括长城体系外的品牌。
在毫末的生态伙伴当中，除了高通这样的老朋友外，还多了英伟达、华为、地平线这样新朋友，未来合作方向值得玩味。
此外，毫末在2024年的百城计划也绝非说说而已。
目前，华为、小鹏的城市领航功能在核心区域仍需依靠高精地图。而毫末的方案则完全不采用高精地图，只用类似导航地图的标清地图，以感知信息的置信权重远高于地图信息，即所谓重感知轻地图方案。
要完全依靠感知信息做判断使毫末目前的城市领航功能更显保守，安全性要求远高于舒适和通行效率。
但由于完全不依赖高精地图，所以毫末HPilot 3.0的开城将不受地图资源限制，随着其感知能力打磨得愈发完善，开城速度也将愈发加速。
顾维灏在演讲中表示，毫末的视觉自监督大模型感知性能已提升20%。例如鱼眼摄像头在15米范围内的测量精度已达到30厘米，2米内精度可以高于10厘米。因此毫末正考虑取消超声波雷达，直接使用鱼眼镜头做泊车功能。
技术进步也正成为毫末作为供应商，持续降本的底气所在。毫末智行张凯表示：“未来（降本同效的策略）对我们和行业发展，都会有很好的推动作用。”
【本文来自易车号作者赛博汽车，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】
在达摩院做3d目标检测，简单调研一下。 使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息的检测称为3D目标检测。 在无人驾驶、机器人、增强现实的应用场景下，普通2D检测并不能提供感知环境所需要的全部信息，2D检测仅能提供目标物体在二维图片中的位置和对应类别的置信度，但是在真实的三维世界中，物体都是有三维形状的，大部分应用都需要有目标物体的长宽高还有偏转角等信息。例如下图Fig.1中，在自动驾驶场景下，需要从图像中提供目标物体 三维大小 及旋转角度等指标，在鸟瞰投影的信息对于后续自动驾驶场景中的路径规划和控制具有至关重要的作用。3DOP这篇文章是当下使用双目相机进行3D bounding-box效果做好的方法，其是Fast RCNN方法在3D领域之内的拓展。由于原论文发表于NIPS15，出于Fast RCNN的效果并没有Faster RCNN和基于回归的方法好，且远远达不到实时性，因此其处理一张图片的时间达到了4.0s。 它使用一个立体图像对作为输入来估计深度，并通过将图像平面上像素级坐标重新投影回三维空间来计算点云。3DOP将候选区生成的问题定义为Markov随机场(MRF)的能量最小化问题，该问题涉及精心设计的势函数(例如，目标尺寸先验、地平面和点云密度等)。 随着获得了一组不同的3D目标的候选框，3DOP利用FastR-CNN[11]方案回归目标位置。 论文主要基于FCOS无锚点2D目标检测做的改进，backbone为带有DCN的ResNet101，并配有FPN架构用于检测不同尺度的目标，网络结构如图1所示： 基于iou 3d，可以定义出TP和FP 通过绘制精确性×召回率曲线（PRC），曲线下的面积往往表示一个检测器的性能。然而，在实际案例中，"之 "字形的PRC给准确计算其面积带来了挑战。KITTI采用AP@SN公制作为替代方案，直接规避了计算方法。 NuScenes consists of multi-modal data collected from 1000 scenes, including RGB images from 6 cameras, points from 5 Radars, and 1 LiDAR. It is split into 700/150/150 scenes for training/validation/testing. There are overall 1.4M annotated 3D bounding boxes from 10 categories. In addition, nuScenes uses different metrics, distance-based mAP and NDS, which can help evaluate our method from another perspective.
中国上海，2019年6月27日——在第二届中国自动驾驶测试验证技术创新论坛中来自吉林大学计算机学院教授，博士生导师王健老师参与了本届论坛并发表了精彩演讲。论坛中王健老师先从场景定义、构成及关键特征为嘉宾详细阐述了自动驾驶场景，场景研究是智能驾驶技术与产品开发的关键技术，场景库作为整个测试中的一个重要环节，场景库作为整个测试环节中的输入，给到我们测试中的评价，对于场景的一个位置判断。行驶环境是无限丰富、极其复杂、不可预测、不可穷尽的，场景的构成就是把复杂的行驶环境分成静态特征和动态特征两个大的部分，静态特征包括道路场地、交通及设施，动态特征包括交通、气象等。提取静态特征，再加上虚拟算法生成动态特征，两者合二为一就是场景的基本构成。场景是无限世界的有限映射，不管是静态特征还是动态特征的有限映射，然后进行一个覆盖度的衡量，对危险场景的覆盖度和测试的准确度。这两个是通过自动生成之后正向推理出来的两个结果。场景库的生成就是把无限丰富、极其复杂的行驶环境通过有限映射、充分覆盖，最后生成场景库。具体步骤为：首先对行驶环境的一个录捕，通过映射到网络上，去通过学习真实的场景特征，衍化出一个新的场景出来，提取它们中需要存储的场景库指标，最终抽象成驾驶情景和行驶场合。场景对自动驾驶影响的三大关键要素为行驶场合、环境影响、驾驶情景。行驶场合如高速公路、乡村道路、城市道路等，这些要素变化力度不是很大，选取过后一般不会改变；环境影响如道路、交通、行人、天气等，这些是最复杂的情形。环境影响的关键是环境传感感知，激光雷达和毫米波雷达、相机、定位系统、V2X通信设备，我们要了解哪些因数对传感器的影响，并在场景库中存储这些条件。驾驶情景：驾驶情景是场景的重要外部因素，驾驶情景分为以下三种：1、车辆的驾驶任务如：换道、超车、掉头、转弯等；2、车辆的驾驶速度如：加速、减速等；3、车辆的驾驶模式是保守、激进还是正常。最后王健老师为嘉宾展示了实验室模拟场景构建和场景库如何与测试工具做结合。通过实践测试案例和测试数据为嘉宾详细展示了L3的自动驾驶测试，给造车企业重大启发，为早日实现自动驾驶奠定基础。演讲嘉宾个人简介：王健，吉林大学计算机学院教授，博士生导师，中国汽车工程研究院特聘高级专家，启明信息技术股份有限公司特聘高级专家。先后在加拿大大不列颠哥伦比亚大学、奥地利因斯布鲁克大学、法国国家信息与自动化研究所、韩国汉阳大学从事博士生、博士后、访问学者等研究工作。主要研究领域为智能网联汽车的通信协议、MEC应用、模拟仿真与测试等。现任国际平行驾驶联盟秘书长，中国自动化学会平行智能专业委员会常务委员，中国智能交通产业联盟通信委员，中国Auto-E联盟委员，中国人工智能学会知识工程与分布智能专业委员会青年委员，InternationalJournal of Vehicular Telematics and Infotainment Systems编委，曾任29thIEEE Intelligent Vehicles Symposium出版委员会联合主席，IEEEVTC、CV2N、VTHWN、SAE 2017 ICVS、IWCMC 2017等国际会议技术委员会委员。近几年来作为项目负责人先后承担了国家自然科学基金面上、青年项目、国际合作交流、中国博士后基金特等资助、教育部博士点基金、吉林省发展计划重点项目、吉林省国际合作项目、吉林省青年基金等纵向项目10 余项，获高等教育国家级教学成果二等奖1次、吉林省科学技术进步奖一等奖1 次，吉林省教学成果一等奖1次，中国商业联合会全国商业科技进步奖二等奖2 次，以第1责任作者在IEEETransaction on ITS, IEEE Transaction on IV，ScientificReports, Computer Networks, Computer Communications等国际SCI检索期刊发表论文42篇，授权发明专利7项，软件著作权4项，出版中英文专著各1部。主办方：上海锁雅汽车科技有限公司是一家从事汽车技术领域的技术开发，技术转让，技术咨询展览展示服务，会务服务等多业务发展的技术咨询类公司。公司为国内外领军企业（主要为世界500强企业）的高级决策人提供行业资讯、商业创新发展解决方案、市场调研、商务合作和人脉拓展平台、个人职业发展以及投融资等咨询服务。“中国自动驾驶测试验证技术创新论坛2019 (CADT2019)”
1.《基于深度学习的自然语言处理技术研究》2.《基于深度学习的计算机视觉技术研究》3.《基于深度学习的语音识别技术研究》4.《基于深度学习的机器翻译技术研究》5.《基于深度学习的自动驾驶技术研究》6.《基于深度学习的智能家居技术研究》7.《基于深度学习的智能机器人技术研究》8.《基于深度学习的智能推荐系统技术研究》9.《基于深度学习的自然语言理解技术研究》10.《基于深度学习的智能安全技术研究》
沈雨娇为我院2012级英语专业本科学生，2017年考上上海外国语大学英语语言文学专业研究生，研究方向为跨文化交际，师从上外跨文化中心主任顾力行教授（Steve J. Kulich）和复旦大学人类社会学博士张晓佳老师。2021年1月获得日本早稻田大学的博士录取通知书，6月获得国家留学基金委员会公派奖学金，将于2022年4月赴日进行为期三年的博士学习，专业为国际文化与交流，研究方向为视觉文化，师从早稻田大学国际文化与交流学院主任吉本光弘教授。
【引言】
随着物联网在交通系统中日益普及，为了打造交通系统中更安全、更快、更智能的车辆，车载通信网络和自动驾驶技术是构建未来一代、功能强大的智能交通系统的基石技术。基于物联网的交通系统可以为自动化网联 汽车 提供大规模设备连接和传感器连接。通过使用物联网技术，网联自动驾驶车辆的数量将显著提高。随着网联自动驾驶 汽车 数量的增长，亟待提出新的技术方法并重新思考下一代 汽车 网络的设计，尤其是自动化网联 汽车 。因此，有必要研究新的理论、架构和技术，利用物联网提供的能力，形成更高效、更智能的交通系统。本期特刊旨在为学术界和工业界的研究人员、开发人员和从业人员提供一个平台，传播最新的成果，并推动物联网在自动化网联 汽车 技术方面的应用。
【征集主题包括但不限于】
【重要时间节点】
【投稿须知】
所有IEEE Internet of Things Journal 的原稿或修订本必须通过IEEE稿件中心(http://mc.tcentral.com/iot)以电子方式提交。作者指南和提交信息可以在找到。IEEE Internet of Things Journal鼓励作者在投稿过程中推荐潜在的审稿人，这可能有助于加快审稿速度（请只推荐那些不存在利益冲突的审稿人）。提交稿件时注意必须按适当的关键字分类。
【客座编辑】
曹东璞博士，滑铁卢大学，
李力博士，清华大学，
Clara Marina博士，保时捷，
陈龙博士，中山大学，
邢阳博士，克兰菲尔德大学，
庄卫华教授，滑铁卢大学，
IEEE Internet of Things Journal (Impact Factor 5.86)
Special Issue on
Internet of Things for Connected Automated Driving
Internet-of-things (IoT) is becoming increasingly prevalent in the transportation systems. The traffic system depends on safer, faster, and more intelligent vehicles. The vehicular communication networks (vehicle-to-everything, V2X) and the automated driving technique are two of the cornerstone technologies enabling the construction of future-generation highly functional and intelligent transportation system. The IoT-based transportation system can provide enormous connections of devices and sensors for the networked automated vehicles. The capacity of connected automated vehicles is expected to be dramatically enhanced by employing the IoT techniques. This calls for novel approaches and rethinking of the design of next-generation vehicular networks, particularly for the automated vehicles. Therefore, it is essential to pursue research on new theories, architectures, and techniques to exploit the capability that is delivered by IoT for forming more efficient and intelligent transportation system. This special issue aims to create a platform for researchers, developers and practitioners from both academia and industry to disseminate the state-of-the-art results and to advance the applications of IoT for connected automated driving technology.
Topics of interests include (but are not limited to) the following：
➢Innovative IoT techniques to connect automated vehicles
➢ V2X communication
➢ IoT-based solutions for connected vehicles
➢ Vehicular IoT Infrastructure
➢ IoT-based sensing and recognition
➢ Testing and verification of connected automated vehicles
➢ IoT-based navigation and localization systems
➢ AI and deep learning approaches for IoT-enabled connected automated vehicles
➢ Cyber-physical-social systems based parallel driving
Submissions
All original manuscripts or revisions to the IEEE IoT Journal must be submitted electronically through IEEE Manuscript Central, http://mc.manuscriptcentral.com/iot. Author guidelines and submission information can be found at http://iot.ieee.org/journal. The IEEE IoT Journal encourages authors to suggest potential reviewers as part of the submission process, which might help to expedite the review of the manuscript. Please suggest only those without conflict of interest. Each submission must be classified by appropriate keywords.
Guest Editors
Dr. Dongpu Cao, University of Waterloo, Canada,
Dr. Li Li, Tsinghua University, China,
Dr. Clara Marina, Porsche Engineering, Germany,
Dr. Long Chen, Sun Yet-sen University, China,
Dr. Yang Xing, Cranfield University, UK,
Dr. Weihua Zhuang, University of Waterloo, Canada,
发表SCI论文的难易程度因个人能力、研究领域、期刊选择等因素而异。一般来说，SCI论文发表的难度比较大，需要具备较高的研究水平和科学素养。同时，SCI期刊的发表要求也较为严格，需要符合其发表要求和规范。一些研究领域的SCI期刊，例如医学、化学、生物等领域的SCI期刊，对文章的质量和发表要求非常高，因此这些领域的SCI论文发表相对困难。相反，某些其他领域的SCI期刊，例如社会科学、人文科学等领域的SCI期刊，对文章的发表要求较为宽松，因此这些领域的SCI论文发表相对容易一些。此外，星科SCIER觉得期刊的影响因子也是影响SCI论文发表难易程度的重要因素之一。影响因子较高的期刊，意味着该期刊所发表的文章被引用的频率较高，因此其发表要求也相对更加严格。
SCI是美国科学信息研究所出版的文献检索工具，是一种代表国际水平的检索数据库。被SCI收录的期刊称为SCI期刊。要说怎么发表，就是写好你本专业的论文，然后你要知道并熟悉你那个专业的一些期刊，然后找一个适合你水平的期刊，投稿过去，然后等着消息就行了，通过了就等着发表，没有通过，继续修改继续再投稿。就是这么个流程。如果你着急发表，你可以去淘淘论文网看下，那边可以协助发表，但是主要是理工科的。如果文章质量比较高，建议你选择合适自己的期刊投稿试试。
在《Nature》上发表一篇论文基本上属于大学教授级别(水平）。
《Nature》和《Science》属于顶尖科学杂志,按SCI影响因子算两杂志都有30多分。
《Nature》是世界上历史悠久的、最有名望的科学杂志之一，首版于1869年11月4日。与当今大多数科学论文杂志专一于一个特殊的领域不同，其是少数依然发表来自很多科学领域的一手研究论文的杂志（其它类似的杂志有《科学》和《美国科学院学报》等）。在许多科学研究领域中，很多最重要、最前沿的研究结果都是以短讯的形式发表在《自然》上。
【详细介绍】
《自然》是科学界普遍关注的、国际性、跨学科的周刊类科学杂志。2014年它的影响因子为41.456。
1869年约瑟夫·诺尔曼·洛克耶爵士建立了《自然》，洛克耶是一位天文学家和氦的发现者之一，他也是《自然》的第一位主编，直到1919年卸任。
《自然》每周刊载科学技术各个领域中具有独创性，重要性，以及跨学科的研究，同时也提供快速、权威、有见地的新闻，还有科学界和大众对于科技发展趋势的见解的专题。
《自然》的主要读者是从事研究工作的科学家，但杂志前部的文章概括使得一般公众也能理解杂志内最重要的文章。杂志开始部分的社论、新闻、专题文章报道科学家一般关心的事物，包括最新消息、研究资助、商业情况、科学道德和研究突破等栏目。杂志也介绍与科学研究有关的书籍和艺术。杂志的其余部分主要是研究论文，这些论文往往非常新颖，有很高的科技价值。
在《自然》上发表文章是非常光荣的，《自然》上的文章会经常被引用。这有助于晋升、获得资助和获得其它主流媒体的注意。因此科学家们在《自然》或《科学》上发表文章的竞争很激烈。与其它专业的科学杂志一样，在《自然》上发表的文章需要经过严格的同行评审。在发表前编辑选择其他在同一领域有威望的、但与作者无关的科学家来检查和评判文章的内容。作者要对评审做出的批评给予反应，比如更改文章内容，提供更多的试验结果，否则的话编辑可能拒绝该文章。
《自然》是一份在英国发表的周刊，其出版商为自然出版集团，这个集团属于麦克米伦出版有限公司，而它则属于格奥尔格·冯·霍茨布林克出版集团。《自然》在伦敦、纽约、旧金山、华盛顿哥伦比亚特区、东京、巴黎、慕尼黑和贝辛斯托克设有办公室。自然出版集团还出版其它专业杂志如《自然神经科学》、《自然生物学技术》、《自然方法》、《自然临床实践》、《自然结构和分子生物学》和《自然评论》系列等。
我可能会倾向于人工智能，因为未来的市场人工智能占比还是较大的，这样你写论文的范围很广，比较容易